[发明专利]一种交通状态估计方法及系统

说明书

本发明公开了一种交通状态估计方法及系统，该方法包括：获取网联自动车的个体数据；将所述网联自动车的个体数据输入到预先训练好的路段状态估计模型中，得到路段状态值；利用METANET模型对所述路段状态值进行卡尔曼滤波，得到最终的各个路段的交通状态。该方法使用神经网络进行路段状态估计，将网联自动车的个体数据映射到路段状态，相对于以往假设车辆车头间距不变情况下对网联自动车个体数据进行简单加权得出路段状态的方法，更固有一般性与实用性。使用卡尔曼滤波对交通状态进行估计，能降低单单使用神经网络估计交通状态时的偶然误差。

技术领域

本发明涉及智能交通领域，具体涉及一种交通状态估计方法及系统。

背景技术

缓解高速公路交通拥堵，平衡交通需求的矛盾的方法一般分为：增加道路基础设施、加强交通的管理与实施智能交通系统；其中，实施智能交通系统(Intelligent TrafficSystem，ITS)不需要高额的高速道路建设经费，利用通信与计算机技术集成作用于高速公路交通网络，以较小的成本能有效地提高高速路的性能。ITS是解决高速公路交通需求矛盾的关键核心内容。同时，ITS技术的关键一环是使用智能网联汽车进行道路交通流改善。网联自动车(Connected and Automated vehicles,CAVs)有望通过感知本地环境、共享信息和应用适当的控制措施，提高公路交通效率、安全性和环境指标。在未来的一段时间内，随着自动驾驶的逐渐普及，高速公路将出现混合了网联自动车与普通人驾车的新兴交通流。

交通状态检测估计的准确性对高速公路管理具有重要的意义。传统的交通状态检测估计方法的实施依靠固定车检器，如线圈检测器、红外线检测器以及视频检测器。虽然这些基础设施单元在没有足够的信息源的情况下可以提供有用的交通信息，但是从这些传感器接收到的数据分辨率都很低，并且限制在几个固定的位置，使用此类固定车检器估计出来的路段交通状态准确度较且部署成本较大。随着ITS技术的发展，越来越多研究关心如何使用网联智能车进行交通流优化。由于混入了网联自动车，车路系统环境可以获得更精细、更高维度的交通信息，使用个体网联自动车高效地进行动态路段状态检测有望替代传统的固定车检器检测。

在当前基于网联自动车进行路段状态估计的研究中，往往假设网联自动车的普及率为100％，通过对网联自动车采集的数据进行简单的加权平均得出路段的交通状态。在有些基于混合交通的研究中，往往通过对网联自动车采集数据进行简单加权，或者直接假设网联自动车的车头间距为固定值，简单地考虑渗透率，利用数学公式得出路段交通状态。然而在车辆运行途中，车头间距并不能简单假设为定值，且对网联自动车采集的数据进行加权也无法很好的估计路段交通状态。

发明内容

有鉴于此，本发明提出一种交通状态估计方法及系统，用于解决现有技术中的至少一个缺陷。

本发明的目的是通过以下技术方案来实现的：一种交通状态估计方法，包括以下步骤：

获取网联自动车的个体数据；

将所述网联自动车的个体数据输入到预先训练好的路段状态估计模型中，得到路段状态值；

利用METANET模型对所述路段状态值进行卡尔曼滤波，得到最终的各个路段的交通状态。

可选地，输入到预先训练好的路段状态估计模型中的所述网联自动车的个体数据为所有元胞路段的网联自动车个体数据的平均值；其中，所述元胞路段是通过METANET模型将需要交通状态估计的路段进行时空离散化得到。

可选地，所述个体数据包括：当前元胞路段上第i辆网联自动车在第t秒瞬时速度v_t,i、在第t秒时当前元胞路段中第i辆网联自动车的前车间距d_t,i、在第t秒时当前元胞路段中第i辆网联自动车的前一辆车的瞬时车速vf_t,i。

可选地，所述METANET模型的构建方法包括：

构建参数优化目标函数；